一种基于自抗扰控制的高速列车主动防风控制方法

1.本发明涉及高速列车自动运行控制技术领域，尤其是一种基于自抗扰控制的高速列车主动防风控制方法。


背景技术：

2.我国疆域辽阔，地质环境复杂多变，位于高架桥、隧道、丘陵以及山区风口等特殊风环境的高速铁路线众多。在强风环境中运行时，列车的气动倾覆力矩会显著升高，巨大的升浮力和空气阻力会增强轮轨之间的冲击作用，轻则迫使列车降速导致线网大面积延误，重则造成车辆脱轨倾覆以及人员伤亡等严重后果。因此，有必要深入开展防风策略研究，为高铁安全稳定运行、灾后快速应急等提供强有力支撑。
3.鉴于强风环境下列车安全运行问题的重要性，国内外专家学者已开展了许多卓有成效的研究。但目前的研究成果大多基于空气动力学和流体力学分析，从设置挡风装置、建立风力预警监测系统、优化列车悬挂系统等方面为强风环境下的列车安全运行提供了外部参考方案，无法与高速列车自动驾驶系统(automatic train operation system,ato)实现有机结合。简而言之，基于ato系统的主动防风控制策略的研究目前还较为少见。
4.高速列车ato系统结构如图1所示，基于gsm-r网络完成车载设备和地面设备之间的通信，实现站台门控制、站间数据发送和运行计划处理。此外，通过增设列车与车载设备之间的接口，可以由车辆向车载设备提供ato启动按钮、手柄级位、编组运行状态等信号，也可由车载设备向车辆提供有效牵引/制动指令，实现列车速度自动调整。ato系统基于车地双向实时信息交互，无需人工操纵即可由列车自动发出控制指令，实现目标轨迹跟踪、精确停站以及自动开关门等功能。目前，已有许多控制理论应用于高速列车ato系统的设计，如：pid控制、模型预测控制、反演控制、神经网络控制或者多种控制方式的组合。强风扰动会大大降低列车运行的安全性，这也对ato系统控制算法的抗扰性提出了更高的要求，而上述控制算法能否应用于强风环境下列车的运行控制，还有待进一步验证。
5.根据上述研究现状可以得知，设计适用于强风扰动环境下的高速列车ato控制策略需要满足以下几个关键点：(1)采用的动力学模型应能够精确地描述强风环境下列车的动力学特性。(2)使用的算法应具备强鲁棒性，在参数不确定、扰动异常以及执行器饱和、故障等约束条件下，依然能够实现稳定的控制效果。(3)算法模型需要具备较强自适应性，能够应用于不同车次、不同的线路环境、不同的初始状态等。(4)结构简单、复杂度低，在不依赖于受控对象的精确模型的前提下，使得被控对象达到快速收敛和高精度跟踪的效果。目前在高速列车运行控制算法设计过程中所采用的动力学模型都没有考虑强风因素造成的参数不确定性。


技术实现要素：

6.针对现有技术中在高速列车运行控制算法设计过程中没有考虑强风因素造成的参数不确定性问题，本发明提供一种基于自抗扰控制的高速列车主动防风控制方法。
7.本发明提供的基于自抗扰控制的高速列车主动防风控制方法，步骤如下：
8.s1、抑制非完全重复的强风扰动对高速列车造成的运行误差，必须要有一个准确、清晰的数学模型。列车速度与环境风速存在矢量叠加关系，并考虑到风向角、侧偏角，当风向与列车呈一定角度时，建立高速列车二阶非线性动力学模型：
[0009][0010]
式中，p为列车实时位置，v为列车运行速度，rb为基本阻力，d为强风扰动，r
msc
为机械基本阻力，ra为空气基本阻力，c为基本阻力系数，ρ为空气密度，s
t
为列车最大横截面积，α为风向角，β为侧偏角，vw为风速；
[0011]
s2、结合步骤s1的动力学模型设计adrc控制器；为增强adrc的鲁棒性，使系统达到无超调跟踪，设计微分跟踪器td形式如下：
[0012][0013]
式中，v1为td输出的跟踪值，v2为v1的微分，k为采样次数，h为采样周期；δ为跟踪速度因子，fst(.)为最速控制综合函数，h0为滤波因子。
[0014]
s3、将步骤s1中动力学模型的基本阻力、附加阻力以及外界扰动之和作为扩张状态x3，
[0015]
x3＝-fb(v,t)-fa(p,v,t)+d(t)
[0016]
其中，fb(v,t)和fa(p,v,t)分别列车在某时刻位置速度下的基本阻力和附加阻力，d(t)表征强风造成的随机扰动。
[0017]
设计扩张状态观测器eso，利用状态误差和控制输入对系统状态和扩张状态进行实时估计，eso形式设计如下：
[0018][0019]
其中，ε为观测误差，z1、z2和z3分别为v1、v2以及扩张状态x3的估计值；v1为td输出的跟踪值、v2为v1的微分，k为采样次数，h为采样周期；u和y分别为被控对象的输入量和输出量，即列车的牵引/制动力和实时速度，b为被控对象参数；β1、β2和β3为观测器增益；fal(.)是非线性饱和函数，能够削弱切换区间由高增益产生的抖振，γ1为非线性饱和函数的线性区间宽度，α1和α2为非线性饱和函数幂的阶次。
[0020]
s4、根据产生的误差信号，利用fal(.)函数设计非线性反馈控制律u0，再结合观测状态z3对u0进行补偿，使被控对象化为积分器串联型，进一步得到实际控制量；非线性反馈控制律设计为pd组合的形式：
[0021][0022]
其中，ε1和ε2为过渡信号与观测信号的差值，k
p
为比例项系数，kd为微分项系数；γ2为fal(.)函数线性区间宽度，α3和α4为幂次；u为非线性反馈控制律，u0为观测器补偿后的最终实际控制律。
[0023]
s5、adrc控制器参数整定：利用遗传算法ga优化eso观测器增益β1、β2、β3以及非线性反馈控制律增益k
p
、kd，共5个参数。具体包括以下子步骤：
[0024]
s51、初始化种群；确定待优化参数范围、适应度函数、种群规模、遗传代数；所述适应度函数为：
[0025][0026]
其中，e为速度追踪误差，e为误差允许范围，p为惩罚值；u为实际控制量，u
max
和u
min
分别为牵引力和制动力上限；j为综合追踪误差和输入受限评价指标。
[0027]
s52、对自抗扰算法进行仿真，根据适应度函数计算各个体的适应度值；
[0028]
s53、采用轮盘赌算法，选择当前群体中使适应度函数小的群体，遗传到下一代中；
[0029]
s54、设计自适应交叉的方式；根据自适应交叉变异概率p
cross
选择2个基因进行同位置的染色体互换；其中，概率p
cross
的计算方法为：
[0030][0031]
其中，f
avg
和f
max
分别为种群的平均适应度值和最大适应度值，p1和p2为交叉/变异概率提示的最大和最小值，f为种群当前适应度值。
[0032]
s55、依据上述自适应多位变异算子进行变异操作；
[0033]
s56、当遗传代数达到设定值，或者适应度值不再变化，结束算法；否则返回s52。
[0034]
s6、将设计的ga-adrc控制器信息载入ato车载设备，根据真实的列车信息，完成列车自动运行控制；
[0035]
s7、将列车的实时运行数据保存上传，进一步优化仿真环境中的ga-adrc控制策略，使之更加适应于真实列车运行环境。
[0036]
与现有技术相比，本发明的有益之处在于：
[0037]
(1)精确的动力学模型是控制优化算法设计的基础和前提。本发明融合实时风速、风向等影响因素建立了列车动力学模型，该模型描述了列车在强风环境下的空气阻力特性和运行状态之间的关系，能更精确地描述列车的动力学特性。
[0038]
(2)将结合改进遗传算法的自抗扰控制策略应用于高速列车自动驾驶系统算法设计，弱化了控制器对精确被控对象模型的依赖，抗扰性强，适用于强风等严苛外界环境，在
系统模型存在参数不确定性和外部扰动的情况下能够实现运行误差快速收敛及高精度跟踪，有利于提升高速列车运行的准点性和舒适性。
[0039]
(3)进一步结合人工智能算法对adrc控制器参数进行整定优化，克服了传统经验整定方式效率低、费时费力的缺点。通过将改进遗传算法和自抗扰控制相结合，实现了控制器参数自动整定优化。在设计适应度函数时考虑了高速列车牵引电机固有的饱和特性，将控制输入作为一项额外加权指标，避免了控制信号过大的问题，有效提升了列车的安全性。
[0040]
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
[0041]
图1、高速列车ato系统结构图。
[0042]
图2、受力分析图。
[0043]
图3、adrc结构图。
[0044]
图4、自抗扰控制器参数优化过程图。
[0045]
图5、算法改进前后对比图。
[0046]
图6、速度跟踪效果图。
[0047]
图7、eso观测效果图。
[0048]
图8、参数整定曲线图。
[0049]
图9、算法控制效果对比图。
具体实施方式
[0050]
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
[0051]
本发明提供的基于自抗扰控制的高速列车主动防风控制方法，步骤s1中，高速列车运行受力分析如图2所示，其中，vw代表风速，v
tw
代表风速与列车速度的矢量合；α表示风向角，是风速方向与列车运行反方向的夹角，取值范围0
°
≤α≤180
°
；β表示侧偏角，是合速度与列车运行反方向的夹角。建立高速列车二阶非线性动力学模型：
[0052][0053]
步骤s2中，结合步骤s1的动力学模型，针对存在不确定参数和外界扰动的高速列车系统设计二阶adrc控制器，其结构如图3所示。adrc主要由跟踪微分器(tracking differentiator,td)、扩张状态观测器(extended state observer,eso)和非线性误差反馈律(nonlinear state error feedback,nlsef)组成。td主要是用于获取目标点的过渡信号和微分信号，避免初始阶段产生过大误差而导致大的超调，eso对扩张状态(即系统不确定性和强风造成的扰动之和)进行实时观测，nlsef用来补偿扰动，形成积分串联型控制律。
td的设计形式如下：
[0054][0055]
步骤s5中：adrc控制器参数整定。利用改进的遗传算法(geneticalgorithm,ga)优化eso增益β1、β2、β3以及非线性反馈控制律增益k
p
、kd，共5个参数，具体优化过程如图4所示。
[0056]
图5是算法改进前后对比图。由图5可知，改进后的算法在15代左右开始收敛，与固定交叉变异概率的遗传算法相比收敛速度更快且适应值更小，运算效率和控制精度均得到提升。
[0057]
步骤s6中，将设计的ga-adrc控制器信息载入ato车载设备，根据真实的列车信息，完成列车自动运行控制。
[0058]
步骤s7：将列车的实时运行数据保存上传，对仿真环境中的ga-adrc控制策略进行进一步的优化，使之更加适应于真实列车运行环境。
[0059]
基于改进ga的adrc控制器的列车跟踪效果如图6所示。在启动、制动以及速度调整阶段出现了细微误差，其余运行阶段均保持了高精度跟踪，高速列车的速度跟踪误差小于
±
0.3km/h，速度和位置误差收敛速度很快，满足精确停车和准点要求，体现了本发明设计的风阻模型和自抗扰控制算法的匹配性。
[0060]
图7展示了eso对运行状态和扩张状态的观测效果。可以看出，eso对列车运行状态和强风造成的扰动具有较好的观测效果，能够满足后续控制律的设计要求。经过30次迭代得到最优观测器和控制器参数，如图8所示。
[0061]
为体现ga-adrc在控制精度和方面的优势，与pid控制器以及经验整定adrc进行对比。对比实验载入相同的运行环境和列车动力学模型，结果如图9所示，算法控制效果对比见表1。可以看到，pid的追踪误差更为明显，存在较为明显的波动；虽然adrc在各个阶段的控制效果都优于pid控制策略，但是和ga-adrc相比，经验整定adrc追踪误差更大，难以满足安全精确控车的要求。因此，本发明所设计的ga-adrc控制器具有具有更好的鲁棒性和安全性。
[0062]
表1、算法控制效果对比
[0063]
控制策略跟踪误差(m/s)累计跟踪误差(m/s)ga-adrc
±
0.321.77adrc
±
0.482.52pid
±
0.667.43
[0064]
综上，本发明构建的适用于强风运行环境的列车动力学特性表征模型，相较于传统戴维斯阻力模型，该模型结合风速、风向、列车速度与空气阻力的关系，更符合实际环境，是一种更为精细化的建模。考虑到自抗扰控制(adrc)是一种不依赖于系统精确建模的控制方法，对比上述控制策略存在的不足，自抗扰控制器结构简单、鲁棒性强，能够将模型内扰和不可测外扰作为系统的扩张状态，通过扩张状态观测器和反馈机制实现对总扰动的精确观测和实时补偿，非常适用于高速列车这类强非线性、不确定性系统设计，故将风环境下的列车动力学模型与自抗扰控制原理相结合，以速度精确跟踪、低手柄切换频度为目标，设计主动防风控制策略。此外，为获得自抗扰参数的全局最优解，提升控制精度，结合改进遗传
算法设计了自抗扰控制器参数整定优化策略。在设计适应度函数时考虑了高速列车牵引电机固有的饱和特性，将控制输入作为一项额外加权指标，避免了控制信号过大的问题，有效提升了列车的安全性，为实现强风环境下列车的安全运行提供理论参考。
[0065]
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

技术特征：
1.一种基于自抗扰控制的高速列车主动防风控制方法，其特征在于，步骤如下：s1、建立高速列车二阶非线性动力学模型：式中，p为列车实时位置，v为列车运行速度，r
b
为基本阻力，d为强风扰动，r
msc
为机械基本阻力，r
a
为空气基本阻力，c为基本阻力系数，ρ为空气密度，s
t
为列车最大横截面积，α为风向角，β为侧偏角，v
w
为风速；s2、结合步骤s1的动力学模型设计adrc控制器；s3、将步骤s1中动力学模型的基本阻力、附加阻力以及外界扰动之和作为扩张状态x3，x3＝-f
b
(v,t)-f
a
(p,v,t)+d(t)其中，f
b
(v,t)和f
a
(p,v,t)分别列车在某时刻位置速度下的基本阻力和附加阻力，d(t)表征强风造成的随机扰动。设计扩张状态观测器eso，利用状态误差和控制输入对系统状态和扩张状态进行实时估计，eso形式设计如下：其中，ε为观测误差，z1、z2和z3分别为v1、v2以及扩张状态x3的估计值；v1为td输出的跟踪值、v2为v1的微分，k为采样次数，h为采样周期，u和y分别为被控对象的输入量和输出量，即列车的牵引/制动力和实时速度，b为被控对象参数；β1、β2和β3为观测器增益；fal(.)为非线性饱和函数，γ1为线性区间宽度，α1和α2为幂次；s4、根据产生的误差信号，利用fal(.)函数设计非线性反馈控制律u0，再结合观测状态z3对u0进行补偿，使被控对象化为积分器串联型，进一步得到实际控制量；非线性反馈控制律设计为pd组合的形式：其中，ε1和ε2为过渡信号与观测信号的差值，k
p
为比例项系数，k
d
为微分项系数；γ2为fal(.)函数线性区间宽度，α3和α4为幂的阶次；u为非线性反馈控制律，u0为观测器补偿后的最终实际控制律。s5、adrc控制器参数整定：利用遗传算法ga优化eso观测器增益β1、β2、β3以及非线性反
馈控制律增益k
p
、k
d
，共5个参数；s6、将设计的ga-adrc控制器信息载入ato车载设备，根据真实的列车信息，完成列车自动运行控制；s7、将列车的实时运行数据保存上传，进一步优化仿真环境中的ga-adrc控制策略，使之更加适应于真实列车运行环境。2.如权利要求1所述的基于自抗扰控制的高速列车主动防风控制方法，其特征在于，所述步骤s2的adrc控制器中，设计微分跟踪器td形式如下：式中，v1为td输出的跟踪值，v2为v1的微分，k为采样次数，h为采样周期；δ为跟踪速度因子，fst(.)为最速控制综合函数；h0为滤波因子。3.如权利要求1所述的基于自抗扰控制的高速列车主动防风控制方法，其特征在于，所述步骤s5包括以下子步骤：s51、初始化种群；确定待优化参数范围、适应度函数、种群规模、遗传代数；s52、对自抗扰算法进行仿真，根据适应度函数计算各个体的适应度值；s53、采用轮盘赌算法，选择当前群体中使适应度函数小的群体，遗传到下一代中；s54、设计自适应交叉的方式；s55、依据上述自适应多位变异算子进行变异操作；s56、当遗传代数达到设定值，或者适应度值不再变化，结束算法；否则返回s52。4.如权利要求1所述的基于自抗扰控制的高速列车主动防风控制方法，其特征在于，所述步骤s51中，适应度函数为：其中，e为速度追踪误差，e为误差允许范围，p为惩罚值；u为实际控制量，u
max
和u
min
分别为牵引力和制动力上限；j为综合追踪误差和输入受限评价指标。如权利要求1所述的基于自抗扰控制的高速列车主动防风控制方法，其特征在于，所述步骤s54中，根据自适应交叉变异概率p
cross
选择2个基因进行同位置的染色体互换；其中，概率p
cross
的计算方法为：其中，f
avg
和f
max
分别为种群的平均适应度值和最大适应度值，p1和p2为交叉/变异概率提示的最大和最小值，f为种群当前适应度值。

技术总结
本发明公开了一种基于自抗扰控制的高速列车主动防风控制方法，包括以下步骤：首先建立高速列车二阶非线性动力学模型，结合动力学模型设计ADRC控制器，然后设计扩张状态观测器ESO，利用状态误差和控制输入对系统状态和扩张状态进行实时估计；再根据产生的误差信号，利用fal(.)函数设计非线性反馈控制律u0，再结合观测状态z3对u0进行补偿，使被控对象化为积分器串联型，并进一步得到实际控制量；再利用改进GA对ADRC控制器参数整定；将设计的GA-ADRC控制器信息载入ATO车载设备，根据真实的列车信息，完成列车自动运行控制。将列车的实时运行数据保存上传，对仿真环境中的GA-ADRC控制策略进行进一步的优化，使之更加适应于真实列车运行环境。实列车运行环境。实列车运行环境。


技术研发人员：黄德青 李自康 秦娜
受保护的技术使用者：西南交通大学
技术研发日：2022.12.26
技术公布日：2023/5/16